ChatGPT进阶：提示工程入门指南与实战技巧

共计 1884 个字符，预计需要花费 5 分钟才能阅读完成。

开篇：开发者常见的提示工程痛点

在使用 ChatGPT API 时，许多开发者都会遇到一些共性问题：

• 意图表达模糊 ：提问方式过于宽泛（如“帮我写代码”），导致输出结果不符合预期
• 上下文断裂 ：多轮对话中历史信息丢失，AI“忘记”之前讨论的内容
• 输出不可控 ：相同提示词在不同时间得到差异巨大的回复
• 格式混乱 ：需要结构化数据时，AI 返回自由文本难以解析

这些问题往往源于对提示工程（Prompt Engineering）基础概念的理解不足。接下来我们将从技术原理到实战代码，逐步拆解解决方案。

技术核心：提示策略的三大关键

1. 零样本 vs 少样本提示（Zero-shot vs Few-shot）

• 零样本提示 ：直接给出任务指令，依赖模型预训练知识

  """将以下文本分类为正面 / 负面情绪：\n\n 产品很好用，但物流太慢了"""

  适用场景：简单明确的分类 / 生成任务

• 少样本提示 ：提供 1 - 5 个示例演示任务模式

  """
  示例 1：味道不错 -> 正面
  示例 2：包装破损 -> 负面
  待分类：客服态度很差 -> 
  """

  适用场景：需要特定输出格式的复杂任务

2. 系统消息（System Message）设计原则

• 角色定义 ：明确 AI 的职能边界

  {"role": "system", "content": "你是一位精通 Python 的代码助手，只回复与编程相关的内容"}

• 风格控制 ：指定输出语气（专业 / 通俗）
• 安全限制 ：内置内容过滤规则

3. 温度参数（Temperature）调控

• 范围：0（确定性最高）~2（随机性最强）
• 推荐设置：
• 代码生成：0.2-0.5
• 创意写作：0.7-1.0
• 事实问答：0

代码实战：从基础到进阶

多轮对话上下文维护

import openai

conversation = [{"role": "system", "content": "你是一位技术文档撰写助手"}
]

def chat(user_input):
    try:
        conversation.append({"role": "user", "content": user_input})
        response = openai.ChatCompletion.create(
            model="gpt-3.5-turbo",
            messages=conversation,
            temperature=0.5
        )
        ai_reply = response.choices[0].message.content
        conversation.append({"role": "assistant", "content": ai_reply})
        return ai_reply
    except Exception as e:
        print(f"API 错误: {str(e)}")
        return "服务暂时不可用"

关键点：
1. 始终维护完整的对话历史列表
2. 每次调用包含 system/user/assistant 全部消息
3. 添加基础异常处理

结构化输出模板

template = """
请以 JSON 格式返回以下信息：{
  "summary": "不超过 20 字的摘要",
  "keywords": ["关键词 1", "关键词 2"],
  "sentiment": "positive/neutral/negative"
}

待分析文本：{user_input}
"""

# 调用时使用 response_format 参数强制 JSON 输出
response = openai.ChatCompletion.create(
    model="gpt-3.5-turbo",
    messages=[{"role": "user", "content": template.format(user_input="体验很棒但价格偏高")}],
    response_format={"type": "json_object"}
)

生产环境最佳实践

安全防护

1. 提示注入防御 ：
2. 用户输入检测（如特殊字符过滤）

3. 设置 system message 明确拒绝执行危险指令

4. 敏感内容过滤 ：

5. 使用 Moderation API 前置检查
6. 后处理正则表达式匹配关键词

成本优化

• Token 监控 ：

  print(f"本次消耗 token 数: {response.usage.total_tokens}")

• 策略建议 ：
• 对长文本先进行摘要再处理
• 缓存频繁使用的提示结果

开放实验建议

尝试调整以下参数组合，观察输出变化：
1. 固定 temperature= 0 时，比较少样本提示与零样本提示的准确性差异
2. 逐渐增大 temperature 值，观察创意类任务的多样性变化
3. 测试不同 system message 强度对输出控制的影响（如“你必须”“你应当”等措辞）

提示工程更像是一门艺术而非纯技术，最佳策略往往需要通过大量实验来发现。建议建立自己的提示案例库，持续迭代优化。